地铁盾构隧道近接施工风险等级评估方法研究

2022-09-28李晓斌白海军

地质与勘探 2022年5期

李晓斌，白海军

(1.陕西铁路工程职业技术学院，陕西渭南 714000；2.中铁四局集团有限公司第六工程分公司，陕西西安 710000)

0 引言

近年来，为满足城市发展需要，城市轨道交通工程得以快速发展，产生了大量的地铁盾构工程(毕冉等，2016；施有志等，2019;孟建宇等，2020)。由于工程多建设于市政繁华地段，近接施工问题日益突出，其中，近接既有隧道施工亦属当前研究热点(刘亮等，2018；刘凯和欧小强，2019；王辉等，2019；张晓清等，2019；骆瑞萍等，2020；张庆闯等，2020)。目前，已有相关学者开展了相应研究，如张建(2014)分析了近接既有隧道施工过程的应力规律；李岩松等(2014)、路平等(2014)则利用数值模拟研究了盾构隧道对既有隧道的近接施工影响。已有研究多限于工程所处地质条件的区域性特征，有必要进一步结合具体工程实际开展针对性研究。同时，结合工程实际，近接施工过程的变形监测属必要过程，开展其变形规律分析具有重要意义，且为满足施工过程的风险管控，开展其近接施工风险等级评估也显得格外重要。张坚等(2018)分析近接既有桥梁的桩基沉降风险；郑余朝和李辉(2013)、李俊松和张兴刚(2013)利用层次分析法构建了盾构近接施工的风险评估模型。上述研究虽为近接施工的变形规律分析及风险评估提供了一定的经验积累，但也存在一定不足，如层次分析法具有一定的主观性，难以完全客观评价各类近接影响因素。与之对应，变形监测成果是所有近接环境因素影响的综合表现，以其为研究基础具有明显的优越性。因此，该文以苏州地铁四号线近接既有文灵隧道段为工程背景，在其地表变形监测成果统计基础上，先开展地表变形规律分析，再通过多种判据综合评估其近接施工风险，以期为其安全施工提供一定的理论指导。

1 基本原理

(1)基于近接施工段的地表变形监测成果，开展地表沉降的变形规律研究，以掌握地铁盾构近接施工的变形现状。

(2)在构建多类风险判据基础上，开展近接施工的风险评估，以便为其安全施工提供理论基础。

据上述，该文涉及的理论方法主要为风险判据的构建，且在其构建过程中，应充分考虑风险评估判据的多样性。单一风险判据难以保证评估结果的准确性，进而可通过多类判据实现近接施工风险的综合评估。同时，结合工程实际，多利用累计变形量和日变形速率来实现监测预警。因此，也利用两者构建风险评估判据，即累计变形判据和变形速率判据。

1.1 累计变形判据的构建

在累计变形判据构建过程中，又可将其细分为两个方面，即相对变形判据和变形发展趋势判据。前者主要用于评价相应监测项目的剩余变形空间，实现现有状态评价，而后者主要用于评价相应监测项目后期的发展趋势。

(1)相对变形判据的构建

一般情况下，当监测变形达到一定值时，便会出现破坏，即各类监测项目存在极限位移值Sj，且该值与具体监测项目及监测点相关。目前，多采用指数回归(李贤和蔡林真，2019)来确定极限位移值Sj，其公式为：

y=a+be-ct

(1)

式(1)中：y为变形值；a、b、c为待拟合参数；t为时间变量。

当时间变量t趋于无穷大时，式(1)的变形值趋近于定值a，且该值为极大值，进而可将其作为极限位移值Sj。

同时，现有变形量St与极限位移值Sj间的差值越大时，说明其剩余变形空间相对较大，稳定性也相对越好，进而可利用两者比值构建相对变形判据的评价指标Fr：

(2)

据式(2)，Fr值越大，其风险相对越高。因此，利用其实现相对变形判据的风险评价是可行的。

(2)变形发展趋势判据的构建

累计变形的变形发展趋势评价常采用变形预测来实现，且鉴于广义回归神经网络(Generalized Regression Neural Network，GRNN)具有较强的非线性预测能力，进而以其实现变形发展趋势判据条件下的风险评估(姚凯等，2019)。GRNN模型是一种改进型神经网络，具有较快的收敛速度，已被广泛应用(杨洪军等，2019；赵雪花等，2019；祝学昌等，2020)，限于篇幅，该文不再赘述其基本原理。值得指出的是，GRNN模型虽具有较多优点，但也存在一定不足，如：隐层节点数多依赖人为设定，缺乏客观性；由于其收敛速度过快，易陷入局部极值。为切实保证预测精度，该文对两类缺点均进行针对性的优化处理，即：

(1)隐层节点数的优化处理。在传统神经网络的预测过程中，多采用经验公式确定隐层节点数L(杨帆等，2018；贺华刚，2019；康会宾，2020)：

(3)

式(3)中：m、n为输入、输出层节点数。

结合该文实例，计算得到隐层节点数经验值为16，其优化处理为：以隐层节点数经验值为中心，对其进行适当扩展，即将隐层节点数取值范围扩展为10～22间的偶数节点，并对扩展范围内的隐层节点数均进行试算研究，预测效果最优者即为该文GRNN模型的隐层节点数。

(2)避免陷入局部极值的优化处理。由于果蝇算法(Fruit Fly Optimization Algorithm,FOA)具有较强的全局优化能力，进而利用其优化GRNN模型，实现其避免陷入局部极值的优化处理。但传统FOA算法多以固定步长进行优化，难以协调全局与局部搜索能力，为克服该问题，多种群果蝇算法(简称：MFOA)应运而生(罗亦泳等，2016；卢国斌等，2017)，其能有效协调全局与局部搜索能力。该文利用MFOA算法对GRNN模型进行优化处理。

1.2 变形速率判据的构建

在变形速率判据的构建过程中，也将其分析过程细分为两方面，其一，是绝对量判据，即现有变形速率应小于日变量预警值sc，且其值应越小越好；其二，是速率发展趋势判据，且变形速率的发展趋势评价与累计变形判据的的发展趋势评价一致。据上述，在变形速率判据构建过程中，主要是速率发展趋势判据方法的构建，鉴于变形速率值相对较小，难以利用前述预测方法实现其发展趋势评价，加之重标极差法(Rescaled Range Analysis,R/S)能有效评价变形序列的发展趋势(王伟等，2014；任庆国，2017；王娟和王兴科，2017；鞠兴华等，2018；张伟森和吴大勇，2018)，进而利用其实现变形速率的发展趋势评价。

由于R/S分析已被广泛应用于岩土领域，限于篇幅，该文不再赘述。通过R/S分析可求得Hurst指数，并利用Hurst指数即可评价对应变形速率的发展趋势，判据为：当0.5

据上述判据，可知H值与0.5的差值c越大，其趋势性也相对越强，进而可利用差值c进行趋势性等级划分，划分标准如表1所示。

表1 变形趋势性等级划分标准

1.3 近接施工风险等级的构建

前述已对近接施工风险的评估判据进行了构建，需再对近接施工的风险等级进行划分标准设定。结合工程实际，多采用四级风险控制，进而该文也将近接施工风险等级划分为四级，其划分标准设定如表2所示。

表2 近接施工风险等级的划分标准

2 实例分析

2.1 工程概况

苏州地铁四号线春申湖路站-阳澄湖路站区间属冲积湖平原地貌，地形起伏较小，地势平坦，地面标高多间于1.79～5.64 m；同时，该区间近接既有建筑物相对较多，如近接既有文灵隧道，该隧道长约1110 m，属明挖矩形隧道。

在CK4+787 m断面，新建盾构隧道与既有隧道的横向、纵向净距分别为2.44 m和5.3 m，属近接施工。因此，以该断面为例进行近接施工风险评价具有较好的代表性。在该监测断面地表共计布设了8个监测点，即DB01～DB08，其中DB05监测点位于新建隧道中心线。

据钻探成果，近接既有隧道施工段涉及的土层大致有9层；在水文特征方面，近接段的地表水和地下水均较为丰富，其中，地表水主要以文灵河及环活力岛湖水为主，水深间于1.0～2.1 m；地下水则可分为孔隙潜水和承压水，前者主要赋存于填土层孔隙中，埋深水位年变幅相对较大，可达1 m，而后者主要赋存于③3层，其水头标高2～4 m，对工程施工具有一定影响。

可见，近接既有隧道段的近接环境相对较为复杂，且周边土层的工程条件相对较弱，侧面验证了开展其近接施工风险等级评估的必要性。

2.2 近接施工变形规律分析

为保证近接施工安全，监测了近接段的地表变形。如前所述，共计布设了8个监测点，监测频率设置为1次/d，共计监测了28 d，且其预警值如表3所示。

表3 地表沉降变形的预警值统计

对8个监测点的累计变形变形结果进行统计，得表4。据表4，地表变形沉降呈先增加后减小趋势，且地表沉降主要发生在新建隧道施工处，其中，DB06监测点的沉降值已达-27.22 mm，已较为接近预警值。

表4 地表沉降变形监测成果

同时，再对地表变形速率进行统计，得表5。据表5，地表变形速率的分布区间差异相对较为明显，以0～1 mm/d区间的分布比例相对最大，已到43.30%，且地表变形速率相对均较小，其绝对值小于1 mm/d的分布天数达150 d，所占比例已达66.96%，加之未存在超过日变量预警值的情况，得出地表变形速率属可接受范围。

表5 地表变形速率分布区间统计

2.3 近接施工风险等级评估

按本次研究思路，再利用累计变形判据和变形速率判据进行近接施工段的风险评估，两者分析过程详述如下。

2.3.1 累计变形判据的风险评估

据前述，累计变形判据又可细分为相对变形判据和变形发展趋势判据，两者的评估过程及结果详述如下：

(1)相对变形判据的风险评估

在分析过程中，限于篇幅，仅对变形最大的五个监测点进行风险评估，通过计算，得到相对变形判据条件下的结果如表6所示。据表6，在极限位移值的求解过程中，各监测点的拟合度均较趋近于1，说明拟合效果相对较优，所求参数的可信度较高。不同地表变形监测点的风险等级存在一定差异，其中，DB04～DB06监测点的风险等级为Ⅲ级，DB07监测点的风险等级为Ⅱ级，而DB03监测的风险等级相对最低，仅为Ⅰ级。

表6 地表变形在相对变形判据条件下的评估结果

总结地表变形在相对变形判据条件下的风险评估结果，地表变形的风险等级相对较高，说明其受近接施工的影响更为显著。

(2)变形发展趋势判据的风险评估

据本次研究思路，再利用优化GRNN模型实现变形发展趋势判据条件下的风险评估，且限于篇幅，仅对相对变形判据条件下达Ⅱ级的监测点进行评估分析。在预测过程中，以1～23周期为训练样本，24～28周期为验证样本，29～32为外推预测样本。为体现本次研究预测模型优化效果，以DB04监测点为例，详述不同优化阶段的预测效果，再以其余监测点进行验证预测分析。

(1)DB04监测点的变形发展趋势判据风险评估。据GRNN模型的优化思路，先对其隐层节点数进行优化处理，结果如表7所示。由表7可知，不同隐层节点数的预测效果存在明显差异，侧面验证了进行隐层节点数优化处理的必要性；在预测精度方面，隐层节点数为20时的相对误差均值最小，说明其预测精度相对最优，但在训练时间方面，随隐层节点数增加，训练时间也随之增加。其原因：隐层节点数越多，对应的模型结构也越复杂，所需的训练时间也就越多。考虑到训练时间均较短，为保证预测精度，将GRNN模型的隐层节点数设置为20。

表7 隐层节点数的优化处理结果

其次，再利用MFOA算法优化GRNN模型，且为验证MFOA算法相较于FOA算法的优越性，对两者的优化结果均进行统计，得表8。据表8，在相应验证样本处，MFOA-GRNN模型较FOA-GRNN模型具有更小的相对误差，且前者也具有相对更小的相对误差均值及训练时间，验证了MFOA算法的优越性；同时，DB04监测点通过MFOA-GRNN模型的预测，得其相对误差均值为1.91%，训练时间仅为47.92 ms，验证了该文预测模型的有效性。且外推预测结果显示，DB04监测点变形未呈大速率增加，趋于稳定方向发展，则其在变形发展趋势判据的风险等级为Ⅱ～Ⅲ级。

表8 DB04监测点的最终预测结果

(2)剩余地表变形监测点在变形发展趋势判据条件下的风险评估。再利用MFOA-GRNN模型对其余地表变形监测点进行变形发展趋势判据条件下的风险评估，求得其余3个监测点的预测结果如表9所示。据表9，DB05～DB07监测点的预测效果相当，三者相对误差均值间于1.79%～1.95%，训练时间间于43.19～49.32 ms，不仅进一步验证了该文预测模型具有较高的预测精度，还具有较强的稳健性。结合三者外推预测结果，得出三者变形量仅呈小速率增加，趋于稳定方向发展，进而得出三者在变形发展趋势判据条件下的风险等级与DB04监测点的风险等级较为一致，具有Ⅱ～Ⅲ级风险特征。